arXiv 于 2026 年 5 月 18 日发布了一篇题为《AgentNLQ: A General-Purpose Agent for Natural Language to SQL》的新论文（编号 arXiv:2605.19010，cs.AI 分类），作者为 Olena Bogdanov 等共 8 人。该研究聚焦自然语言到 SQL（NL2SQL）转换问题，并提出一种新的多智能体方法，据称在 BIRD 基准上达到 78.1% 的语义准确率。
研究背景方面，论文指出，关系数据库在广泛的现实问题中具有普遍重要性，因此 NL2SQL 转换对研究人员和企业而言都是一个重要问题。尽管大语言模型（LLM）能力快速提升，但 NL2SQL 在准确率上仍未达到与人类专家 SQL 编写者相当的水平，因此仍需在 NL2SQL 算法层面做进一步改进。
方法上，AgentNLQ 采用多智能体架构，核心思路包括三部分。第一，设计了一个经过优化的新型编排器（orchestrator），在由 LLM 驱动的多智能体方案中负责规划、编排、反思与自我纠错，从而生成准确的 SQL 查询。第二，开发了一种先进的模式富化（schema enrichment）方法，通过构建上下文感知的元数据来提升准确率。第三，该方法利用对用户所提供模式进行语义增强后的表示，并加入用户提供的业务规则，最终产出准确的 SQL 查询。
论文将其主要贡献归纳为三点：(a) 在多智能体方案中设计了优化的新编排器，利用 LLM 完成规划、编排、反思与自我纠错以生成准确 SQL；(b) 开发了先进的模式富化方法，创建上下文感知元数据以提升准确率；(c) 通过在 BIRD-SQL 基准上的评估，证明了该方法在不同领域和数据集上的准确性与泛化能力。
在结果与评估方面，作者报告该方法在“大规模数据库综合基准”（BIg Bench for LaRge-scale Database，BIRD）上取得 78.1% 的语义准确率，并强调其在跨领域、跨数据集场景下的泛化表现。论文提交时间为 2026 年 5 月 18 日（UTC 18:33:15），文件大小约 551 KB，提交者为 Chandra Dhir，可通过 PDF、实验性 HTML 及 TeX 源码等形式获取全文。